【技术实现步骤摘要】
本公开数据处理领域，尤其涉及一种时空动态感知的兴趣点推荐方法、系统和存储介质。
技术介绍
1、lbsn(location-based social network，基于位置的社交网络)为用户提供了一种与他人分享兴趣点、发布帖子和社交互动的场景与机会。基于位置的个性化推荐服务为社交平台吸引了大量用户，并为服务提供商提供了精准广告投放的机会。在众多基于位置的推荐任务中，下一个兴趣点推荐是一个最显著且应用场景最广泛的任务，它向用户推荐他们可能感兴趣的下一个目的地或活动。
2、相关技术中，主要是从全局的角度为每个用户学习一个高质量的嵌入表示，以供个性化的下一个兴趣点推荐。
技术实现思路
1、本公开要解决的一个技术问题是，提供一种时空动态感知的兴趣点推荐方法、系统和存储介质，能够提高兴趣点推荐的准确性。
2、根据本公开一方面，提出一种兴趣点推荐方法，包括：根据多个用户轨迹中每条第一签到记录，按照时隙划分，构建异构图组，异构图组中每个异构图包括用户节点、兴趣点节点、区域节点、类别节点、以及节点间的边关系；利用关系图卷积网络，学习得到每个异构图中每个节点的嵌入向量表示；以及基于每个节点的嵌入向量表示、目标用户轨迹中的每条第二签到记录、以及每个候选兴趣点的标签值，对动态信息聚合模型进行训练，以便利用训练好的动态信息聚合模型，向目标用户推荐兴趣点。
3、在一些实施例中，利用关系图卷积网络，学习得到每个异构图中每个节点的嵌入向量表示，包括：为每个异构图中的每个节点初
4、在一些实施例中，构建每个节点在关系图卷积网络的第l层的嵌入向量表示与第l+1层的嵌入向量表示的对应关系，包括：构造每个异构图中每个边关系在关系图卷积网络的第l层的第一转换矩阵，以及每个异构图中每个节点在关系图卷积网络的第l层的第二转换矩阵；将每个异构图中第i个节点的第j个邻居节点在关系图卷积网络的第l层的嵌入向量表示，与第i个节点的第r个边关系在关系图卷积网络的第l层的第一转换矩阵的乘积进行归一化，得到第一值，i为正整数、ts为正整数、j为正整数、r为正整数；将第i个节点的所有邻居节点对应的第一值进行加和，得到第二值；将第i个节点的所有边关系对应的第二值进行加和，得到第三值；计算第i个节点在关系图卷积网络的第l层的嵌入向量表示，与第i个节点在关系图卷积网络的第l层的第二转换矩阵之积，得到第四值；以及利用消息聚合函数，对第三值与第四值之和进行计算，得到第i个节点在关系图卷积网络的第l+1层的嵌入向量表示。
5、在一些实施例中，第一损失函数包括基于负采样的无监督损失函数，其中，对关系图卷积网络进行训练，包括：根据第i个节点在关系图卷积网络的第l+1层的嵌入向量表示，以及第i个节点的第j个邻居节点在关系图卷积网络的第l+1层的嵌入向量表示，基于负采样的无监督损失函数，对关系图卷积网络进行训练。
6、在一些实施例中，动态信息聚合模型包括信息增强层、时空自注意力层和候选兴趣点注意力打分层，其中，对动态信息聚合模型进行训练包括：将每个节点的嵌入向量表示和目标用户轨迹中的每条第二签到记录输入至信息增强层，得到目标用户轨迹对应的第一嵌入向量矩阵；将目标用户轨迹对应的第一嵌入向量矩阵输入至时空自注意力层，得到具有时空因素的第二嵌入向量矩阵；将第二嵌入向量矩阵和每个候选兴趣点的第三嵌入向量矩阵输入至候选兴趣点注意力打分层，得到每个候选兴趣点的分值；以及基于每个候选兴趣点的分值、每个候选兴趣点的标签值，利用第二损失函数对动态信息聚合模型进行训练。
7、在一些实施例中，将每个节点的嵌入向量表示和目标用户轨迹中的每条第二签到记录输入至信息增强层，得到目标用户轨迹对应的第一嵌入向量矩阵，包括：根据目标用户轨迹中的每条第二签到记录，得到每条第二签到记录任意一个兴趣点对应的签到时间；确定签到时间对应的时隙；根据每个节点的嵌入向量表示、签到时间在对应时隙所处位置，以及每条第二签到记录的上下文信息，得到每条第二签到记录对应的目标节点的第一融合嵌入向量表示，目标节点为用户节点、兴趣点节点、区域节点和类别节点中的任意一个节点；将预定时间范围内与签到时间对应的时隙处于同一时间段的目标节点的嵌入向量表示进行加和平均计算，得到第二融合嵌入向量表示；对第一融合嵌入向量表示和第二融合嵌入向量表示进行加权计算，得到目标节点的第三融合嵌入向量表示；对每条第二签到记录对应的目标节点的第三融合嵌入向量表示以及签到时间进行拼接操作，并采用前馈神经网络进行处理，得到每条第二签到记录对应的嵌入向量矩阵；以及根据每条第二签到记录对应的嵌入向量矩阵，得到目标用户轨迹对应的第一嵌入向量矩阵。
8、在一些实施例中，得到每条第二签到记录对应的目标节点的第一融合嵌入向量表示，包括：根据每个节点的嵌入向量表示，确定签到时间对应的时隙内每条第二签到记录对应的目标节点的第一嵌入向量表示、签到时间对应的时隙的下一时隙内目标节点的第二嵌入向量表示、以及签到时间对应的时隙内前一时隙目标节点的第三嵌入向量表示；以及根据签到时间在对应时隙所处位置，以及第一嵌入向量表示、第二嵌入向量表示和第三嵌入向量表示，确定目标节点融合上下文信息后的第一融合嵌入向量表示。
9、在一些实施例中，根据签到时间在对应时隙所处位置，以及第一嵌入向量表示、第二嵌入向量表示和第三嵌入向量表示，确定目标节点融合上下文信息后的第一融合嵌入向量表示，包括：在签到时间大于或等于时隙的下界时间点与时间阈值之和，且小于或等于时隙的上界时间点与时间阈值之差的情况下，将第一嵌入向量表示作为第一融合嵌入向量表示；在签到时间大于时隙的下界时间点，且小于时隙的下界时间点与时间阈值之和的情况下，根据第一嵌入向量表示、第二嵌入向量表示，确定第一融合嵌入向量表示；以及在签到时间大于时隙的上界时间点与时间阈值之差，且小于时隙的上界时间点的情况下，根据第一嵌入向量表示、第三嵌入向量表示，确定第一融合嵌入向量表示。
10、在一些实施例中，将目标用户轨迹对应的第一嵌入向量矩阵输入至时空自注意力层，得到具有时空因素的第二嵌入向量矩阵，包括：根据目标用户轨迹，构建第一时空权重矩阵；以及利用时空自注意力层的查询空间参数矩阵、键空间参数矩阵和值空间参数矩阵，对第一嵌入向量矩阵和第一时空权重矩阵进行归一化指数处理，得到第二嵌入向量矩阵。
11、在一些实施例中，根据目标用户轨迹，构建第一时空权重矩阵，包括：根据目标用户轨迹中任意两次签到的时间差，利用衰减函数，得到第一时间权重矩阵；根据目标用户轨迹中任意两次签到的距离差，利用衰减函数，得到第一空间权重矩阵；以及对第一时间权重矩阵和第一空本文档来自技高网...
【技术保护点】
1.一种兴趣点推荐方法，包括：
2.根据权利要求1所述的兴趣点推荐方法，其中，所述利用关系图卷积网络，学习得到所述每个异构图中每个节点的嵌入向量表示，包括：
3.根据权利要求2所示的兴趣点推荐方法，其中，所述构建所述每个节点在所述关系图卷积网络的第l层的嵌入向量表示与第l+1层的嵌入向量表示的对应关系，包括：
4.根据权利要求3所述的兴趣点推荐方法，其中，所述第一损失函数包括基于负采样的无监督损失函数，其中，对所述关系图卷积网络进行训练，包括：
5.根据权利要求1至4任一所述的兴趣点推荐方法，其中，所述动态信息聚合模型包括信息增强层、时空自注意力层和候选兴趣点注意力打分层，其中，对所述动态信息聚合模型进行训练包括：
6.根据权利要求5所述的兴趣点推荐方法，其中，所述将所述每个节点的嵌入向量表示和所述目标用户轨迹中的每条第二签到记录输入至所述信息增强层，得到所述目标用户轨迹对应的第一嵌入向量矩阵，包括：
7.根据权利要求6所述的兴趣点推荐方法，其中，所述得到所述每条第二签到记录对应的目标节点的第一融合嵌入向量表
8.根据权利要求7所述的兴趣点推荐方法，其中，所述根据所述签到时间在对应时隙所处位置，以及所述第一嵌入向量表示、所述第二嵌入向量表示和所述第三嵌入向量表示，确定所述目标节点融合上下文信息后的第一融合嵌入向量表示，包括：
9.根据权利要求5所述的兴趣点推荐方法，其中，所述将所述目标用户轨迹对应的第一嵌入向量矩阵输入至所述时空自注意力层，得到具有时空因素的第二嵌入向量矩阵，包括：
10.根据权利要求9所述的兴趣点推荐方法，其中，根据所述目标用户轨迹，构建第一时空权重矩阵，包括：
11.根据权利要求5所述的兴趣点推荐方法，其中，所述将所述第二嵌入向量矩阵和所述每个候选兴趣点的第三嵌入向量矩阵输入至所述候选兴趣点注意力打分层，得到所述每个候选兴趣点的分值，包括：
12.根据权利要求11所述的兴趣点推荐方法，其中，所述获取与兴趣点推荐相关的第二时空权重矩阵，包括：
13.根据权利要求5所述的兴趣点推荐方法，其中，所述第二损失函数为交叉熵损失函数。
14.根据权利要求1至4任一所述的兴趣点推荐方法，其中，根据多个用户轨迹中每条第一签到记录，按照时隙划分，构建异构图组，包括：
15.根据权利要求1至4任一所述的兴趣点推荐方法，其中，所述节点间的边关系的类型包括用户与兴趣点间的类型边、兴趣点与区域间的类型边、兴趣点与类别间的类型边、区域与类别间的类型边、兴趣点与兴趣点间的类型边、区域与区域间的类型边、以及类别与类别间的类型边。
16.一种兴趣点推荐系统，包括：
17.一种兴趣点推荐系统，包括：
18.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1至15任一项所述的兴趣点推荐方法。
...【技术特征摘要】
1.一种兴趣点推荐方法，包括：
2.根据权利要求1所述的兴趣点推荐方法，其中，所述利用关系图卷积网络，学习得到所述每个异构图中每个节点的嵌入向量表示，包括：
3.根据权利要求2所示的兴趣点推荐方法，其中，所述构建所述每个节点在所述关系图卷积网络的第l层的嵌入向量表示与第l+1层的嵌入向量表示的对应关系，包括：
4.根据权利要求3所述的兴趣点推荐方法，其中，所述第一损失函数包括基于负采样的无监督损失函数，其中，对所述关系图卷积网络进行训练，包括：
5.根据权利要求1至4任一所述的兴趣点推荐方法，其中，所述动态信息聚合模型包括信息增强层、时空自注意力层和候选兴趣点注意力打分层，其中，对所述动态信息聚合模型进行训练包括：
6.根据权利要求5所述的兴趣点推荐方法，其中，所述将所述每个节点的嵌入向量表示和所述目标用户轨迹中的每条第二签到记录输入至所述信息增强层，得到所述目标用户轨迹对应的第一嵌入向量矩阵，包括：
7.根据权利要求6所述的兴趣点推荐方法，其中，所述得到所述每条第二签到记录对应的目标节点的第一融合嵌入向量表示，包括：
8.根据权利要求7所述的兴趣点推荐方法，其中，所述根据所述签到时间在对应时隙所处位置，以及所述第一嵌入向量表示、所述第二嵌入向量表示和所述第三嵌入向量表示，确定所述目标节点融合上下文信息后的第一融合嵌入向量表示，包括：
9.根据权利要求5所述的兴趣点推...
【专利技术属性】
技术研发人员：苏义军，张钧波，郑宇，
申请(专利权)人：京东城市北京数字科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。